Кривая время-активность
В медицинской визуализации кривая время-активность представляет собой кривую радиоактивности (в терминах концентрации), нанесенную на ось Y, в зависимости от времени, нанесенного на ось X. Он показывает концентрацию радиофармпрепарата в интересующей области изображения, измеренную с течением времени при динамическом сканировании. Обычно, когда внутри ткани получают кривую «время-активность», ее называют кривой «время-активность ткани», которая представляет собой концентрацию индикатора в интересующей области внутри ткани с течением времени.
Современный кинетический анализ выполняется с помощью различных методов медицинской визуализации, для которых требуется кривая «время-активность ткани» в качестве одного из входных данных для математической модели, например, при визуализации динамической позитронно-эмиссионной томографии (ПЭТ), перфузионной КТ или динамического контрастирования. расширенная магнитно-резонансная томография (DCE-MRI) с использованием динамического сканирования. Динамическое сканирование — это сканирование, при котором двумерные (2D) или трехмерные (3D) изображения получаются снова и снова в течение периода времени, образуя временной ряд наборов данных 2D/3D изображений. Например, магнитно-резонансная томография с динамическим контрастированием, полученная в течение десяти минут, содержит короткие кадры изображения, полученные продолжительностью 30 секунд, чтобы уловить быструю динамику индикатора гадолиния. Каждая точка данных на кривой «время-активность» представляет собой измерение концентрации трассера из сегментированной области на каждом из этих временных рамок изображения, полученное с течением времени.
Получение кривой время-активность
[ редактировать ]Кривые время-активность получаются с помощью анализа области интереса. Анализ области интереса ограничивает данные изображения определенной областью, в которой можно проводить измерения, например, поясничными позвонками или шейкой бедренной кости. Пиксели изображения внутри этой специально отмеченной области затем копируются на все кадры изображения динамического сканирования, а затем строится график среднего значения пикселя для всех кадров изображения в зависимости от времени, в которое эти кадры изображения были получены.
Концепция поясняется на примере ниже. Рассмотрим динамическое изображение, где каждая таблица представляет изображение, полученное в разное время, скажем, в момент t=1 с, t=2 с, t=3 с, t=4 с, t=5 с и t=6 с. . Предположим, что на этом изображении каждый воксель показывает концентрацию индикатора в единицах Бк на мл. Теперь предположим, что нашей целевой областью в каждом изображении являются только четыре центральных воксела. Сначала определяются четыре центральных пикселя каждого изображения, которые и представляют нашу область интереса, затем для каждого кадра берется среднее значение.
|
|
|
|
|
|
|---|
t=1 сек........... t=2 сек...........t=3 сек...........t=4 сек...........t=5 сек...........t=6 сек
В этом примере у нас будет среднее значение 2 для 1-го кадра при t=1, 3 для 2-го кадра при t=2, 4 для 3-го кадра при t=3, 6 для 4-го кадра при t=4. , 4 для 5-го кадра при t=5 и 3 для 6-го кадра при t=6. Теперь эти значения можно отобразить на графике, где по оси x отложено время, а по оси y – усредненные значения концентрации. График будет выглядеть следующим образом (при условии, что значения пикселей изображения будут равны 0 при t=0):
Область интереса (четыре центральных пикселя в приведенных выше примерах) можно определить вручную. [ 1 ] полуавтоматический, [ 2 ] или автоматический [ 3 ] методы. Определение области интереса вручную требует от пользователя провести произвольную границу вокруг целевой области, что является субъективным. Граница может быть отмечена точками или линиями разной толщины. Выбор также может быть достигнут путем выбора значений координат. При выборе области интереса пользователь может отслеживать свойства граничных пикселей, например, положение и значение выбранного в данный момент пикселя.
Полуавтоматические методы определяют интересующую область с минимальным взаимодействием с пользователем и могут быть в общих чертах разделены на геометрический выбор, [ 4 ] [ 2 ] порог, [ 5 ] и методы выращивания региона, [ 6 ] или сочетание любых двух или любых других критериев. [ 7 ] В методах определения порога пиксели изображения с интенсивностью выше определенного уровня включаются в интересующую область. В методах выращивания области пользователь выбирает исходный пиксель, который идентифицирует первый пиксель в интересующей области, и на основе критерия остановки соседние пиксели присоединяются к исходному пикселю, и когда алгоритм останавливает пиксели, окружающие исходные пиксели, образуют область. интереса.
Автоматические методы не требуют вмешательства пользователя, [ 8 ] Их также называют итеративными или адаптивными методами, поскольку они работают на основе предварительных знаний об анализируемой области. Большинство полуавтоматических методов также можно автоматизировать, но они должны быть проверены на соответствие «золотому стандарту», разработанному экспертами вручную. [ 2 ] [ 9 ]
Связь с функцией артериального входа
[ редактировать ]Получение кривой «время-активность» внутри артерии является первым шагом на пути к получению функции входного артериального сигнала (IDAIF). Затем кривую артериальной активности корректируют с учетом различных ошибок с использованием образцов артериальной/венозной крови, прежде чем функцию артериального входа (AIF) можно будет использовать в качестве входных данных для модели для кинетического анализа.
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Микканен, Йоуни М.; Юхола, Мартти; Руотсалайнен, Улла (2000). «Извлечение VOI из ПЭТ-изображений мозга» . Международный журнал медицинской информатики . 58–59: 51–57. дои : 10.1016/s1386-5056(00)00075-7 . ISSN 1386-5056 . ПМИД 10978909 .
- ^ Jump up to: а б с Пури, Т.; Блейк, генеральный менеджер; Карран, КМ; Карр, Х.; Мур, АЕБ; Колган, Н.; О'Коннелл, MJ; Марсден, ПК; Фогельман, И.; Фрост, МЛ (2012). «Полуавтоматическая проверка области интереса на бедренной кости при ПЭТ/КТ с фторидом 18F» . Журнал технологий ядерной медицины . 40 (3): 168–174. дои : 10.2967/jnmt.111.100107 . ISSN 0091-4916 . ПМИД 22892275 .
- ^ Фэн, Юэ; Фанг, Хуэй; Цзян, Цзяньминь (2005), «Расширение области с автоматическим заполнением для семантической сегментации видеообъектов» , Распознавание образов и анализ изображений: ICAPR 2005 , Конспекты лекций по информатике, версия 3687, Springer, стр. 542–549, doi : 10.1007/ 11552499_60 , ISBN 978-3-540-28833-6 , получено 12 апреля 2021 г.
- ^ Крак, Нанда К.; Буэллард, Р.; Хекстра, Отто С.; Твиск, Джос В.Р.; Хукстра, Корнелин Дж.; Ламмертсма, Адриан А. (2004). «Влияние определения рентабельности инвестиций и метода реконструкции на количественный результат и применимость в исследовании по мониторингу ответа» . Европейский журнал ядерной медицины и молекулярной визуализации . 32 (3): 294–301. дои : 10.1007/s00259-004-1566-1 . ISSN 1619-7070 . ПМИД 15791438 . S2CID 22518269 .
- ^ Санкур, Бюлент (2004). «Обзор методов определения порога изображения и количественная оценка производительности» . Журнал электронных изображений . 13 (1): 146. Бибкод : 2004JEI....13..146S . дои : 10.1117/1.1631315 . ISSN 1017-9909 .
- ^ ЧЖЭН, Л., ДЖЕСС, Дж. и ХЬЮГ, Т. (2001) Выращивание незасеянной области для сегментации трехмерных изображений. Избранные статьи Пан-Сиднейского семинара по визуализации – Том 2. Сидней, Австралия, Австралийское компьютерное общество, Inc.
- ^ Пан, Чжиген; Лу, Цзяньфэн (2007). «Алгоритм роста областей на основе Байеса для сегментации медицинских изображений» . Вычисления в науке и технике . 9 (4): 32–38. Бибкод : 2007CSE.....9d..32P . дои : 10.1109/mcse.2007.67 . ISSN 1521-9615 . S2CID 14423626 .
- ^ Сузуки, Х.; Ториваки, Дж. (1988). «Автоматическое определение порога, основанное на знаниях, для трехмерного отображения изображений МРТ головы» . [Труды 1988 г.] 9-я Международная конференция по распознаванию образов . IEEE-компьютер. Соц. Нажимать. стр. 1210–1212. дои : 10.1109/icpr.1988.28473 . ISBN 0-8186-0878-1 . S2CID 26177669 .
- ^ Уивер, Джин Р.; Ау, Джесси Л.С. (1 октября 1997 г.). «Применение автоматического порогового определения при оценке анализа изображений клеток солидных опухолей человека, меченных маркерами пролиферации» . Цитометрия . 29 (2): 128–135. doi : 10.1002/(sici)1097-0320(19971001)29:2<128::aid-cyto5>3.0.co;2-9 . ISSN 0196-4763 . ПМИД 9332819 .